論文の概要: ElasticLaneNet: An Efficient Geometry-Flexible Approach for Lane Detection

• arxiv url: http://arxiv.org/abs/2312.10389v2
• Date: Wed, 3 Apr 2024 15:54:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 22:37:19.218293
• Title: ElasticLaneNet: An Efficient Geometry-Flexible Approach for Lane Detection
• Title（参考訳）: ElasticLaneNet: レーン検出のための効率的な幾何学的フレキシブルアプローチ
• Authors: Yaxin Feng, Yuan Lan, Luchan Zhang, Yang Xiang,
• Abstract要約: 本稿では,効率的な物理インフォームドエンドレーン検出フレームワークであるElasticLaneNetを紹介する。 本フレームワークは, 予測車線を, 地平に惹きつけられる柔軟形状のテクスタイトELM上でのゼロ輪郭移動とみなす。 その結果, 構造的に多様性のあるSDLaneに対して, 最先端の結果が得られた。
• 参考スコア（独自算出の注目度）: 6.203380486789917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of lane detection involves identifying the boundaries of driving areas in real-time. Recognizing lanes with variable and complex geometric structures remains a challenge. In this paper, we explore a novel and flexible way of implicit lanes representation named \textit{Elastic Lane map (ELM)}, and introduce an efficient physics-informed end-to-end lane detection framework, namely, ElasticLaneNet (Elastic interaction energy-informed Lane detection Network). The approach considers predicted lanes as moving zero-contours on the flexibly shaped \textit{ELM} that are attracted to the ground truth guided by an elastic interaction energy-loss function (EIE loss). Our framework well integrates the global information and low-level features. The method performs well in complex lane scenarios, including those with large curvature, weak geometry features at intersections, complicated cross lanes, Y-shapes lanes, dense lanes, etc. We apply our approach on three datasets: SDLane, CULane, and TuSimple. The results demonstrate exceptional performance of our method, with the state-of-the-art results on the structurally diverse SDLane, achieving F1-score of 89.51, Recall rate of 87.50, and Precision of 91.61 with fast inference speed.
• Abstract（参考訳）: 車線検出の課題は、リアルタイムで運転領域の境界を特定することである。 可変かつ複雑な幾何学構造を持つ車線を認識することは依然として困難である。 本稿では,新しい暗黙のレーン表現手法である「textit{Elastic Lane map (ELM)」について検討し,効率的な物理インフォームドエンド・ツー・エンドレーン検出フレームワークであるElasticLaneNetを提案する。 このアプローチは、予測された車線を、弾性相互作用エネルギー損失関数(EIE損失)によって導かれる基底の真理に惹かれる、柔軟に形の \textit{ELM} 上を動くゼロ輪郭とみなす。 我々のフレームワークはグローバルな情報と低レベルの機能をうまく統合しています。 この手法は、大きな曲率を持つもの、交差点の弱い幾何学的特徴を持つもの、複雑なクロスレーン、Y-shapesレーン、高密度レーンなど、複雑なレーンのシナリオでよく機能する。 SDLane、CULane、TuSimpleの3つのデータセットにアプローチを適用します。 その結果, 構造的に多様性のあるSDLaneに対して, 89.51のF1スコア, 87.50のリコール率, 高速な推論速度で91.61の精度を実現した。

関連論文リスト

• LaneCPP: Continuous 3D Lane Detection using Physical Priors [45.52331418900137]
  レーンCPPは、車線構造と道路形状に関する物理的事前知識を活用する連続した3次元車線検出モデルを用いる。 コントリビューションのメリットを示し、3次元車線検出をより堅牢にするための事前利用の意義を実証する。
  論文  参考訳（メタデータ） (2024-06-12T16:31:06Z)
• Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
  レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。 提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。 本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。 実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
  論文  参考訳（メタデータ） (2024-01-26T09:28:14Z)
• LaneSegNet: Map Learning with Lane Segment Perception for Autonomous Driving [60.55208681215818]
  道路構造の完全な表現を得るために,レーンセグメントを生成する最初のエンドツーエンドマッピングネットワークであるLaneSegNetを紹介した。 提案アルゴリズムは2つの重要な修正点を特徴としている。1つは、長距離特徴空間内の重要な領域の詳細をキャプチャするレーンアテンションモジュールである。 OpenLane-V2データセットでは、LaneSegNetは3つのタスクにまたがって大幅に向上している。
  論文  参考訳（メタデータ） (2023-12-26T16:22:10Z)
• Elastic Interaction Energy-Informed Real-Time Traffic Scene Perception [8.429178814528617]
  EIEGSegという名前のトポロジ対応エネルギー損失関数に基づくネットワークトレーニング戦略を提案する。 EIEGSegは、リアルタイムの交通シーン認識におけるマルチクラスセグメンテーションのために設計されている。 以上の結果から,EIEGSegは,特にリアルタイム軽量ネットワークにおいて,性能を継続的に向上することを示す。
  論文  参考訳（メタデータ） (2023-10-02T01:30:42Z)
• Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
  曲線に基づく車線表現は多くの車線検出法で一般的な手法である。 本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T11:24:14Z)
• A Keypoint-based Global Association Network for Lane Detection [47.93323407661912]
  レーン検出は、レーンラインの複雑なトポロジー形状を予測し、異なる種類のレーンを同時に区別する必要がある、困難なタスクである。 新しい視点からレーン検出問題を定式化するためのグローバルアソシエーションネットワーク(GANet)を提案する。 F1スコアはCULaneが79.63%、Tusimpleデータセットが97.71%、高いFPSが97.71%である。
  論文  参考訳（メタデータ） (2022-04-15T05:24:04Z)
• CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional Convolution [39.62595444015094]
  トップツーダウンのレーン検出フレームワークであるCondLaneNetを提案する。 また,条件付き畳み込みと行毎の定式化に基づく条件付きレーン検出戦略を提案する。 3つのベンチマークデータセットで最新のパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-11T13:10:34Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending [102.98909328368481]
  CurveLane-NASは、レーンに敏感なアーキテクチャ検索フレームワークである。 長距離コヒーレントと正確な短距離曲線情報の両方をキャプチャする。 点ブレンディングによる曲線線予測において、アーキテクチャ探索と後処理の両方を統一する。
  論文  参考訳（メタデータ） (2020-07-23T17:23:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。